تاثیر دما بر برآورد جریان خروجی از حوضه آبریز توسط شبکه‌های عصبی پرسپترون و کانولوشنی همراه با تحلیل موجک

تخمین جریان خروجی از یک حوضه آبریز تحت تاثیر پارامترهای مختلف، فرایندی پیچیده بوده و در صورت کمبود اطلاعات حوضه، استفاده از مدل‌های تحلیلی امکان‌ پذیر نیست. از سوی دیگر، مدل‌‌های هوش مصنوعی نیاز به مشخصات حوضه نداشته و برخی مانند شبکه عصبی کانولوشنی (cnn) اخیراً در هیدرولوژی کاربرد فراوانی داشته‌اند. هدف این تحقیق بررسی عملکرد cnn در برآورد جریان خروجی بر حسب پارامترهای دما، بارش و دبی ورودی به حوضه بوده است. در این تحقیق از cnn، ترکیب cnn با تحلیل موجک (wcnn) و از شبکه عصبی پرسپترون (mlp) جهت ارزیابی ‌تاثیر دما بر برآورد جریان خروجی در حوضه آبریز قلعه شاهرخ چلگرد در بازه زمانی سال 1992 تا 2015 میلادی استفاده شد. هر مدل 20 مرتبه اجرا شده و میانگین مقادیر ضریب همبستگی (r)، ریشه میانگین مربعات خطا (rmse) و ضریب نش ساتکلیف (ns) محاسبه شده‌اند. تاخیر یک، دو و سه ماهه داده‌های دما و بارندگی نیز به ‌عنوان داده ورودی لحاظ شده است. همچنین، از تحلیل موجک جهت پیش‌پردازش داده‌ها در کاهش نوفه استفاده شده و نتایج نشان داد که cnn  با تاخیر سه ماهه دارای مقادیر، و به ‌‌ترتیب برابر (m3/s) 0/922 ،14/20 و 0/772 بود. در مقابل، روش wcnnt3  با موجک daubechies  که ترکیب cnn و تحلیل موجک است، با عملکرد سطح چهار و وضوح دو (wcnnt3 - db42) دارای مقادیر شاخص‌های ارزیابی برابر (m3/s) 0/945 ،9/45 و 0/863 بود. بر این اساس، cnn عملکرد بهتری نسبت به mlp داشته و روش wcnn  نیز با کمک تحلیل موجک، کارایی و عملکرد بهتری نسبت بهcnn از خود نشان داد.

The Temperature Effect on the Estimation of Basin Outflow by Perceptron and Convolutional Neural Networks with Wavelet Analysis

Estimation of basin outflow under the influence of various parameters is a complex process and in case of basin information lack, the analytical models are not applicable. On the other hand, Artificial Intelligence models do not require basin information, and some, such as the convolutional neural network (CNN), have recently been widely used in hydrology. The purpose of this study was to investigate the performance of CNN in estimating the outflow in terms of temperature, precipitation and inflow to the basin. In this study, CNN, combination of CNN with wavelet analysis (WCNN), and perceptron neural network (MLP) were used to evaluate the effect of temperature on the outflow within the Ghaleh Shahrokh Chelgard basin from 1992 to 2015. Each model was run 20 times and the mean values ​​of correlation coefficient(R), root mean square error (RMSE) and Nash Sutcliffe coefficient (NS) were calculated. Lags of one, two and threemonth of temperature and rainfall data are also included as input data. Wavelet analysis was used for noise reduction and the results showed that CNN with a lag of three months had ,  and  equal to 14.20 (m3/s), 0.922 and 0.772, respectively. In contrast, the WCNNT3 method with Daubechies wavelet, which is a combination of CNN and wavelet analysis, ​​with level four performance and resolution two (WCNNT3db42) had indices respectively equal to 9.45 (m3/s), 0.945 and 0.863. Accordingly, CNN performed better than MLP, and the WCNN method with wavelet analysis showed better performance than CNN.